Sep, 2023

DCPT：夜间无人机的黑暗线索引导跟踪

PDF
TL;DR提出了一种名为 Darkness Clue-Prompted Tracking（DCPT）的新颖架构，通过有效地学习生成黑暗线索提示，实现了夜间无人机跟踪的鲁棒性。DCPT 在昼夜切换中无需额外模块，直接将抗黑暗能力编码为黑暗线索提示器（DCP）生成的视觉提示，通过固定参数的白天跟踪器与变压器层进行学习和融合。实验证明 DCPT 在多个黑暗场景基准上表现出最先进的性能，实现了增强和跟踪的端到端可训练系统。
nighttime unmanned aerial vehicle trackerdarkness clue-prompted tracking (dcpt)end-to-end trainable vision systemdarkness clue prompter (dcp)adaptive fusion mechanism
发现论文，激发创造
  • Tracker Meets Night: 无人机跟踪的 Transformer 增强器

    提出了一种基于空间通道 Transformer 的低光增强器，通过在跟踪方法之前引入该增强器，以实现可靠的夜间 UAV 追踪，使用 DarkTrack2021 基准进一步评估该方法.

    Mar, 2023

  • ADTrack: 面向实时反暗无人机跟踪的目标感知双滤波学习

    提出了一种具有抗暗功能的新型追踪器 ADTrack，通过在基于相关性过滤器的追踪器中集成高效，有效的低光图像增强器，同时生成基于图像照明变化的目标感知遮罩，以协助上下文过滤器进行强引导追踪。ADTrack 采用双重回归，其中上下文过滤器和目标专注过滤器互相限制进行双重过滤器训练，在 37 个典型的暗场景基准测试中，ADTrack 优于其他同类追踪器，实现了单 CPU 上 34 帧 / 秒的实时速度。

    Jun, 2021

  • DarkLighter：无人机跟踪中的光明之光

    本文提出了一种名为 DarkLighter 的低光图像增强器，采用轻量级的 ME-Net 网络，用于提高无人机跟踪器在夜间、低光环境下的鲁棒性。实验证明，DarkLighter 的普适性和可靠性很高，并已在典型的 UAV 系统上实现，夜间场景的实际测试表明其实用性和可靠性。

    Jul, 2021

  • 夜间航空追踪的无监督领域自适应

    该研究提出了一种新颖的无监督领域自适应框架 UDAT，通过采用唯一的物体发现方法生成训练补丁，使用 Transformer day /night 功能鉴别器生成 Transformer-based bridging layer 来解决两个域之间的差异，构建 NAT2021 数据集，实验表明该框架在夜间航空跟踪中具有强大的鲁棒性和域适应性。

    Mar, 2022

  • 夜间无人机跟踪的相互学习知识蒸馏

    通过教师 - 学生的知识转移，构建了一种夜间无人机追踪的新型相互学习知识蒸馏框架 MLKD，以解决夜间无人机追踪中的低光增强器引入的计算负担和单学生训练偏见等问题，并在实际测试中验证了其有效性和优越性。

    Dec, 2023

  • 夜间监控的解耦对比图像转换

    本文提出了一种名为 DiCo 学习方法的算法，通过可学习的物理先验即颜色不变性和利用对比学习将监控场景分为前景和背景，从而实现了对夜间监控场景进行高保真度翻译，同时也贡献了一个名为 NightSuR 的监控数据集。

    Jul, 2023

  • 双域引导的实时超高清交通监控低光照图像增强

    提出了一种用于超高清晰度交通监控的双域引导实时低光图像增强网络（DDNet），通过编码器 - 解码器结构将增强处理分为两个子任务（即颜色增强和梯度增强），实现了对颜色和边缘特征的同时增强，能够提高在低光环境下转运监控的图像处理效率和质量，并通过标准和与交通相关的数据集的评估实验证明了该方法相对于现有方法在增强质量和效率方面的优势，并在物体检测和场景分割实验中展示了在低光环境中进行高级图像分析的实际效益。

    Sep, 2023

  • 分离再解析：通过光照分离的夜间语义分割

    在夜间场景下，该研究提出一种新的语义分割方法，即解耦分析 (DTP)，通过显式解耦夜间图像的反射和光照成分，然后基于自适应融合识别语义，实验结果表明 DTP 在夜间语义分割任务中显著优于现有方法，并且可以直接用于改进现有的白天方法进行夜间分割。

    Jul, 2023

  • 针对实时无人机跟踪的具有对比实例的判别性表示

    通过对比学习的方法，本文提出了一种针对无人机追踪的新的轻量级模型，能够提供更准确、高效的特征表示，大幅超越现有无人机追踪方法的性能。

    Aug, 2023

  • 合作学习：夜间物体检测中的无监督领域自适应导航

    CoS framework improves unsupervised domain adaptation in low-visibility scenarios through global-local transformations and adaptive IoU-informed thresholding, achieving significant performance enhancements on various datasets.

    Apr, 2024